60天python训练营打卡day40

最新推荐文章于 2025-12-18 10:59:28 发布
原创 最新推荐文章于 2025-12-18 10:59:28 发布 · 196 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #开发语言

学习目标：

  • 60天python训练营打卡

学习内容：

DAY 40 训练和测试的规范写法
知识点回顾：
1.彩色和灰度图片测试和训练的规范写法：封装在函数中
2.展平操作：除第一个维度batchsize外全部展平
3.dropout操作：训练阶段随机丢弃神经元，测试阶段eval模式关闭dropout

作业：仔细学习下测试和训练代码的逻辑，这是基础，这个代码框架后续会一直沿用，后续的重点慢慢就是转向模型定义阶段了。

学习时间：

2025.06.23

@浙大疏锦行

60天python训练营打卡day5
extan的博客
05-19 211
发现自身问题在于pandas库的不熟悉，对其数据类型不理解，方法不掌握。现在在py文件中 一次性处理data数据中所有的连续变量和离散变量。但内容十分重要要多加复习，增强自己的数据处理能力！先按照示例代码过一遍，然后完成下列题目。代码见day5.ipynb。题目：离散特征的独热编码。DAY 5 独热编码。内容过多不一一截图了。
60天python训练营打卡day26
extan的博客
06-09 917
●任务： 编写一个名为 describe_shape 的函数，该函数接收图形的名称 shape_name (必需)，一个可选的 color (默认 “black”)，以及任意数量的描述该图形尺寸的关键字参数 (例如 radius=5 对于圆，length=10, width=4 对于矩形)。●任务： 编写一个名为 print_user_info 的函数，该函数接收一个必需的参数 user_id，以及任意数量的额外用户信息（作为关键字参数）。3.函数的参数类型：位置参数、默认参数、不定参数。
60天python训练营打卡day3
extan的博客
05-17 502
1.创建一个包含三个字符串元素的列表 tech_list，元素分别为 “Python”, “Java”, “Go”。4.修改 tech_list 中的第二个元素（索引为 1），将其从 “Java” 更改为 “Ruby”。1.定义一个包含整数的列表 scores，赋值为 [85, 92, 78, 65, 95, 88]。6.计算当前 tech_list 的长度，并将结果存储在变量 current_length 中。2.获取列表中的第一个元素，并将其存储在变量 first_tech 中。
60天python训练营打卡day
extan的博客
06-08 170
4.try-except-else-finally机制。2.debug过程中的各类报错。3.try-except机制。DAY 25 异常处理。
60天python训练营打卡day45
extan的博客
06-28 166
3.实际上对目前的ai而言，你只需要先完成最简单的demo，然后让他给你加上tensorboard需要打印的部分即可。1.tensorboard和torch版本存在一定的不兼容性，如果报错请新建环境尝试。启动tensorboard的时候需要先在cmd中进入对应的环境，conda activate xxx，再用cd命令进入环境（如果本来就是正确的则无需操作）。2.tensorboard的代码还有有一定的记忆量，实际上深度学习的经典代码都是类似于八股文，看多了就习惯了，难度远远小于考研数学等需要思考的内容。
60天python训练营打卡day41
extan的博客
06-24 233
这里相关的概念比较多，如果之前没有学习过复试班强化班中的计算机视觉部分，请自行上网检索视频了解下基础概念，也可以对照我提供的之前的讲义学习下。3.batch归一化：调整一个批次的分布，常用与图像数据。4.特征图：只有卷积操作输出的才叫特征图。5.调度器：直接修改基础学习率。2.卷积神经网络定义的写法。DAY 41 简单CNN。
60天python训练营打卡day21
extan的博客
06-04 337
自由作业：探索下什么时候用到降维？或者让ai给你出题，群里的同学互相学习下。可以考虑对比下在某些特定数据集上t-sne的可视化和pca可视化的区别。还有一些其他的降维方式，也就是最重要的词向量的加工，我们未来再说。DAY 21 常见的降维算法。2.PCA主成分分析。
60天python训练营打卡day20
extan的博客
06-03 317
对于任何矩阵（如结构化数据可以变为：样本*特征的矩阵，图像数据天然就是矩阵），均可做等价的奇异值SVD分解，对于分解后的矩阵，可以选取保留前K个奇异值及其对应的奇异向量，重构原始矩阵，可以通过计算Frobenius 范数相对误差来衡量原始矩阵和重构矩阵的差异。应用：结构化数据中，将原来的m个特征降维成k个新的特征，新特征是原始特征的线性组合，捕捉了数据的主要方差信息，降维后的数据可以直接用于机器学习模型（如分类、回归），通常能提高计算效率并减少过拟合风险。c.降噪：通常噪声对应较小的奇异值。
60天python训练营打卡day50
extan的博客
07-03 356
2.尝试对vgg16+cbam进行微调策略。1.好好理解下resnet18的模型结构。DAY 50 预训练模型+CBAM模块。3.针对预训练模型的训练策略。2.CBAM放置位置的思考。1.resnet结构解析。
Python训练营打卡Day14-SHAP图的绘制
m0_60783025的博客
07-26 704
SHAP（SHapley Additive exPlanations）图是用于解释机器学习模型预测结果的强大工具。尝试确定一下shap各个绘图函数对于每一个参数的尺寸要求，如shap.force_plot力图中的数据需要满足什么形状？三、确定分类问题和回归问题的数据如何才能满足尺寸，分类采取信贷数据集，回归采取单车数据集。②SHAP 特征重要性蜂巢图 (Summary Plot - Violin)SHAP 特征重要性条形图 (Summary Plot - Bar)⑤ SHAP 特征重要性决策图。
Python打卡训练营学习记录Day15
05-04
### 知识点概述 #### 1. Python语言基础 - Python作为一种高级编程语言，...- 了解打卡训练营的运作模式和学习理念。 - 实践有效的时间管理和学习计划制定。 - 学习资源的搜集与利用，包括网络资源、图书和社区支持。
Python训练营打卡Day47-CBAM注意力
m0_60783025的博客
08-29 367
SE 通道注意力的局限：仅关注 “哪些通道重要”，未考虑 “重要信息在空间中的位置”。CBAM 的突破：通道注意力（Channel Attention）：分析 “哪些通道的特征更关键”（如图像中的颜色、纹理通道）。空间注意力（Spatial Attention）：定位 “关键特征在图像中的具体位置”（如物体所在区域）。它的核心目标是通过学习的方式，自动获取特征图在通道和空间维度上的重要性，进而对特征图进行自适应调整，增强重要特征，抑制不重要特征，提升模型的特征表达能力和性能。
Python训练营打卡Day45-注意力热图可视化
m0_60783025的博客
08-27 269
这个注意力热图是通过构子机制： register_forward_hook 捕获最后一个卷积层（conv3）的输出特征图。可视化部分同理，在训练完成后通过钩子函数取出权重or梯度，即可进行特征图的可视化、Grad-CAM可视化、注意力热图可视化。1. 通道权重计算：对特征图的每个通道进行全局平均池化，得到通道重要性权重。2. 热力图生成：将高权重通道的特征图缩放至原始图像尺寸，与原图叠加显示。①通道1可能关注整体轮廓，通道2关注纹理细节，通道3关注颜色分布。高关注区域（红色）：模型认为对分类最重要的区域。
MobaXterm 高效运维实战：从入门到进阶的 Linux 运维 “瑞士军刀” 用法
hy行者勇哥的博客
12-18 527
MobaXterm 作为 Linux 运维的 “全能工具包”，不仅集成了 SSH 终端、SFTP 文件传输、X11 图形转发等基础功能，更隐藏着批量执行、宏命令、会话分组等高级特性，能轻松解决新手常遇到的 “重复操作繁琐”“多服务器切换麻烦”“文件传输低效” 等痛点。本文用 “运维指挥中心” 的通俗比喻，拆解 MobaXterm 的核心架构，针对 Linux 运维中的高频问题，分享可直接上手的高级技巧与自动化脚本案例，帮助新手快速从 “手动跑腿” 升级为 “高效指挥”，大幅提升运维效率。
[Python实战] 解决Outlook同步中的字符编码问题：表情符号也能正确处理了！
每日出拳老爷子的博客
12-16 195
摘要：本文分享了在使用Python同步Outlook会议信息时遇到的GBK编码问题解决方案。当处理包含表情符号（如📧）的会议内容时，Flask返回JSON会报"'gbk' codec can't encode"错误。作者通过封装ensure_utf8函数对文本进行UTF-8编码处理，同时建议设置Flask响应头编码为UTF-8和调整控制台输出编码，有效解决了特殊字符导致的编码异常问题。文章提供了从问题分析到完整解决方案的实践过程，适用于处理Python中的Unicode编码问题。
《Python实战小课：爬虫工具场景——开启数据抓取之旅》导读
2501_93253814的博客
12-15 2225
本文介绍了Python爬虫技术在三大场景中的应用：行业资讯爬取、学术文献摘要获取和电商评价收集。针对行业资讯，详细解析了从网页请求到数据存储的全流程；在学术文献方面，重点阐述了如何构建搜索请求和提取关键信息；对于电商评价，则说明了数据定位和清洗方法。文章还探讨了爬虫优化策略及反爬机制应对方案，为数据获取工作提供了实用指南。通过系统学习这些技术，读者可以提升数据采集能力，为商业决策、学术研究和市场分析提供有力支持。
Windows11系统安装Isaac Sim和Isaac Lab记录
weixin_65198494的博客
12-13 491
本文介绍了在Windows 11系统上安装IsaacSim和IsaacLab的完整流程。硬件配置为RTX4060显卡、32GB内存，软件环境包括NVIDIA驱动591.44、CUDA12.8、PyTorch2.7.0和Python3.11。安装IsaacSim5.1的主要步骤包括：更新GPU驱动、安装CUDA、创建conda虚拟环境、开启长路径支持、更新pip后安装IsaacSim pip包。IsaacLab安装则需要克隆GitHub仓库，通过安装脚本完成。最后通过运行验证脚本确认安装成功。
《Python 数据序列化与反序列化全景解析：从基础到最佳实践》
windowshht的博客
12-17 995
本文全面解析Python数据序列化与反序列化技术，涵盖JSON、Pickle、CSV、YAML等常见格式，并深入探讨自定义序列化、异步处理、分布式系统应用等高级主题。通过实战案例展示Web API交互、机器学习模型保存、自动化配置管理等场景的最佳实践，同时展望Protocol Buffers等前沿技术。文章既适合初学者掌握基础，也为资深开发者提供性能优化与安全合规的进阶指导，是Python数据处理领域的实用指南。
【FastAPI】FastAPI依赖注入完全指南
最新发布
weixin_63434398的博客
12-18 1658
本文全面介绍FastAPI的依赖注入机制，主要包含两大注入方式：原生自动注入和Depends自定义注入。原生注入支持Request/Response等框架对象以及路径/查询参数等自动解析，而Depends则用于自定义依赖项注入。文章详细讲解依赖注入的核心思想、实现方式、生命周期管理、高级技巧，并通过完整认证系统案例展示实战应用。最后剖析Depends底层原理，并与Spring框架进行对比，帮助开发者彻底掌握FastAPI这一核心特性，实现代码解耦和高效开发。
掌握Python中数据集划分技巧：训练集与测试集
### Python 中划分数据集为训练集和测试集的方法 #### 使用 Python 内置函数 Python 并没有内置专门的函数来划分数据集，但是可以使用列表的 `random.sample()` 函数来从数据集中随机抽取样本作为测试集。例如： `...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值